中国就业景气指数的构建、预测及就业形势判断——基于网络招聘大数据的研究

耿 林 毛宇飞

中国就业景气指数的构建、预测及就业形势判断
——基于网络招聘大数据的研究

耿 林 毛宇飞

中国人民大学中国就业研究所与中国领先职业发展平台智联招聘联合推出了中国就业市场景气指数(CIER)。该指数通过观测不同行业、城市职位供需指标的动态变化，反映就业市场上职位空缺与求职人数的比例变化，能够起到监测中国就业市场景气程度以及就业信心的作用。选取2011年第1季度至2017年第1季度的CIER数据，运用季节分解法、H-P滤波、VAR模型等时间序列分析方法进行的分析表明，CIER指数与宏观经济景气指标具有密切的联动关系。该指数不仅能够比较灵敏地反映中国就业市场的长期、中期及短期的动态变化特征，而且对宏观经济景气程度也具有较好的敏感性，因此，可以作为监测宏观经济景气程度的辅助指标。

中国就业市场景气指数；向量自回归模型；季节分解法；H-P滤波法

改革开放以来，我国经济体制经历了由计划经济向市场经济的转变。在此期间，就业市场的变化趋势及特点备受人们的关注。作为市场经济的重要组成部分，反映就业市场变动趋势的指标需要具备及时性、准确性、代表性等特点，这对政府的宏观市场调控、企业的招聘用工以及劳动者的求职应聘都具有重要的现实意义。2008年9月之后，美国次贷危机诱发的金融危机在全球蔓延，对我国经济特别是出口贸易造成了巨大的冲击，由此引发的国际订单大幅减少，大批出口加工企业停产等，也给我国就业市场带来了不利影响。当前，隐性失业增加、就业结构性问题突出，以及就业质量下降等问题，受到国内外学者和社会各界的广泛关注。[1]鉴于此，中国人民大学中国就业研究所与中国领先职业发展平台“智联招聘”联合推出中国就业市场景气指数(以下简称CIER指数)，以反映我国就业市场的整体走势。[2]

网络搜索数据是当前大数据中应用最广泛的数据来源之一。自国外学者金斯伯格(J.Ginsberg)等人运用大数据预测流行病的发生概率以来，这一方法逐渐被拓展到经济学各领域中，包括对价格指数、个人消费行为、房地产价格变动等方面的预测。[3]关于大数据与劳动力市场的研究，兹姆曼(K.F.Zimmermann)等人运用谷歌大数据对失业率进行预测受到了学界的广泛关注，之后陆续有学者运用招聘网站数据对劳动力市场中的工作搜寻、就业歧视和失业周期问题等进行分析。[4]目前，国内使用大数据进行劳动力市场的研究并不多，仅有的少数文献使用网站搜索数据对失业率进行分析。[5]然而，这种研究方法一般使用特定的“失业”关键词进行指数搜索，只能通过用户对目前失业状况的关注度来间接地反映失业率状况，不能直接体现劳动力市场的求职和供给变动的趋势。相比之下，本文使用的智联招聘网站大数据，是实时记录求职者投递简历与企业发布岗位信息的行为数据，能够更好地体现劳动力市场的供求变动。

本文重点介绍CIER指数的构建方法，搭建计量模型探讨CIER指数与宏观经济景气指标的关联程度，在此基础上，对当前就业总体形势，以及分行业、地区的就业现状进行分析，并尝试利用所搭建的计量模型对2017年后3个季度的就业形势进行短期预测。

一、就业景气指数的构建

(一)CIER指数的构建方法

在我国就业市场中，如何准确测度劳动力的供求变化，及时获取就业结构特点的相关信息，预测就业的短期波动与长期趋势，一直都是亟须解决的难题。早在计划经济时期，我国就业市场的信息获取，主要是通过统计报表制度来收集全国就业与失业的数据；在改革开放之后，这种报表制度逐渐消失，反映就业市场的信息主要由失业率、就业人数、领取失业救济金人数、求人倍率等指标构成。然而，虽然政府在每个季度公布城镇登记失业率、新增就业人数等数据，但这些数据指标的科学性和准确性却受到普遍的质疑，且难以分析使用。以劳动力市场上核心指标失业率为例，我国官方发布的城镇登记失业率，就有覆盖面窄、登记机制不完善、失业定义不完整等缺陷，并且在数据表现上存在着数据僵化、缺少变化、不符合理论预期以及与其他宏观经济指标脱节等问题，使其最终无法及时反映劳动力市场供求的现实变化。

为研究我国就业市场的劳动力供求状况、就业结构特点及变化趋势，中国人民大学中国就业研究所在“智联招聘”的大数据支持下，研发推出了反映我国就业市场供求匹配状况时序变化的CIER指数。该指标采用智联招聘(zhaopin.com)全站数据分析而得，通过不同行业、城市职位供需指标的动态变化，来反映劳动力市场上职位空缺与求职人数的比例的变化，从而起到监测劳动力市场景气程度以及就业信心的作用。CIER指数是用来反映就业市场景气程度的指标，其计算方法是：CIER指数=市场招聘需求人数/市场求职申请人数。该指数以1为分水岭，当指数大于1时，表明就业市场中劳动力需求多于市场劳动力供给，就业市场景气程度高，就业信心较高；当指数小于1时，说明就业市场竞争趋于激烈，就业市场景气程度低，就业信心偏低。*需要说明的是，《中国就业季报》描述的CIER指数含义曾发生变化。2015年第2季度之前， CIER指数指的是“中国就业市场竞争指数”，分子是求职人数(供给)，分母是招聘人数(需求)。而2015年第3季度之后，CIER指数指的是“中国就业市场景气指数”，分子是招聘人数(需求)，分母是求职人数(供给)。CIER指数不仅有全国总指数，还有分行业、分职业和分地区(城市)等结构性指数。

(二)CIER指数的特点

经历CIER指数的编制、时序数据的积累，以及每个季度依此所做的就业形势分析，我们发现，CIER指数具有代表性、准确性和及时性等特点。首先，反映市场的代表性。CIER指数是对全国五十多个大中城市网络就业市场供求的综合，是绝大多数新兴行业及传统行业网络就业市场供求的综合，亦是对不同职业网络就业市场供求的综合。这种综合性使CIER总指数具备了反映全国劳动力市场供求匹配状况的代表性特征。其次，反映市场的准确性。一方面，CIER指数的原始数据是网络招聘与求职过程记录的自然观测数据，通过科学的规范、原则及口径提取数据，再经简单的汇总计算即可求得指数值，可规避人为因素的干扰；另一方面，不同于官方城镇登记失业率的一成不变，CIER指数时间序列包含趋势变化、周期性变化、季节波动及随机因素，具有反映劳动力市场供求关系的敏感性。最后，反映市场的及时性。CIER指数编制的基础数据是网络招聘与求职数据，是网络招聘公司的实时数据，可以按照每月的第一个工作日提取上月的全部所需数据。这种大数据获得的迅捷与快速是以往调查数据所无法比拟的。

CIER指数在具有上述优势的同时，也有其局限性，主要是：首先，网络数据的局限。网络招聘求职市场的供求状况能否代表实体就业市场的供求状况？这一点尚未获得充分研究和证实。以往的经验告诉我们，网络市场与实体市场相比，拥有更多高学历人才的求职和招聘。因此，在用CIER指数描述分析总体劳动力市场供求变化时，要小心并有所保留，但这一顾虑会随着网络招聘成本下降和网络应用普及而减小。其次，商业公司经营业务变动风险。指数的基础数据可能受到网络招聘公司的经营状况变化以及业务推广情况的影响，如公司业务在某一特定时期会重点开展推广企业招聘或人才求职的某一方面的工作，这时数据就会出现招聘或求职数单方面的非市场性增长，从而导致CIER指数的非市场性变化，可能造成对劳动力市场变动趋势的误判。

综上所述，我们得出的基本结论是：CIER指数是对我国劳动力市场的一种自然观察，它对我国劳动力市场变动的描述是有效、敏感和及时的。在我国目前尚无合适和令人满意的失业率数据的情况下，CIER指数在一定意义上或可作为失业率的补充指标，用于劳动力市场宏观经济关系和宏观经济规律的研究。另外，CIER指数还分为CIER季度指数和CIER月度指数，若不做特别说明，本文中的CIER指数即指CIER季度指数。关于CIER指数的宏观经济分析特性，将另文作专门讨论。

二、就业景气指数与宏观经济景气指标的关系

(一)就业景气指数的分解与预测

当现实经济数据为月度和季度等时间序列数据时，会发现数据存在着一定的月度或季度的循环变动，可能会掩盖其本质规律。为了发现时序数据的本质规律，可以对其进行季节调整。采用季节调整法(seasonal adjustment)从时间序列中去除季节变动要素和不规则变动要素，从而得出序列潜在的趋势循环分量，可以在没有季节要素干扰的情况下更好地反映出经济时间序列的客观规律。目前有4种比较常用的季节调整方法：Census X12方法[6]、x11方法、移动平均方法和Tramo/Seats方法。

利用Census X12季节调整可以对时间序列进行分解，得到趋势循环要素。然而这种方法并不能分解趋势要素与循环要素。为了将趋势要素与循环要素分解，比较常用的方法有回归分析方法、移动平均法、阶段平均法(phase average，PA方法)、HP(Hodrick-Prescott)滤波方法[7]和频谱滤波方法(frequency band-pass filter，BP滤波)。本文采用Census X12季节调整和HP滤波相结合的方法，将CIER指数进行分解，分别找出其中的趋势要素、季节要素、循环要素和不规则要素，以便更好地看到CIER指数所反映的劳动力市场的本质规律。

按上述方法对CIER指数进行分解的结果如图1所示：

图1 2011年第1季度至2017年第1季度CIER指数的分解图

CIER指数的趋势成分曲线呈现出明显向上的趋势，这一趋势符合人口结构以及劳动年龄人口变动的大趋势，从总量上来看，劳动力供给与劳动力需求的缺口逐年拉大，需求大于供给的趋势日益明显。CIER指数的季节成分曲线显示，每年的第1季度和第2季度，季节成分都在低位运行，劳动力需求相对劳动力供给而言较为低迷，就业景气程度低；第3季度和第4季度，季节成分持续拉升，相对于供给而言，劳动力需求更为旺盛，就业景气程度高。CIER指数的周期成分则与宏观经济景气程度有较强的同步性，从近两年来看，2015年全年的CIER指数(周期成分)持续走低，这与当年的宏观经济状况相吻合；2016年全年以及2017年第1季度的CIER指数(周期成分)低位企稳，也契合了2016年全年以及2017年第1季度宏观经济逐步企稳的大趋势。

基于季节分解方法*由于篇幅所限，文中略去了基于季节分解法进行预测的详细步骤，如需要相关资料，请与作者联系。，本文预测了2017年后3个季度的CIER指数走势，见图2。预测结果显示，2017年后3个季度，CIER指数将呈现持续上升的局面，预示着2017年就业市场将大概率地保持稳中向好的态势。

图2 2011年第1季度至2017年第1季度CIER指数以及2017年第2季度至第4季度CIER指数预测值

(二)就业景气指数与宏观经济景气指标的动态关联性

西姆斯(C.Sims)提出向量自回归模型(vector autoregressive model)，即VAR模型。[8]这种模型采用多方程联立的形式，它不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系。本文首先剔除CIER月度指数的季节成分和趋势成分，随后估计宏观经济景气指标PMI*制造业采购经理指数(PMI)是国际通行的经济监测指标体系，许多国家通常将其与国内生产总值(GDP)、就业指数、生产者物价指数(PPI)、新屋开工/营建指标(与国内固定资产投资指标类似)、汇率、股指等并行，用来分析经济走势，帮助进行各种投资决策，进行阶段性研究预测等，已成为政府、银行、企业、各类金融机构以及财经媒体广为使用的重要信息之一。国家统计局与中国物流与采购联合会(CFLP)合作，于2004年启动，进行试点和前期调查，2005年1月开始正式调查，同年7月正式对外公布中国制造业采购经理指数(CFLP-PMI)，一般简记为PMI。与剔除了趋势和季节成分之后的CIER月度指数之间的动态关系，据此验证CIER指数与宏观经济的关联性。

本文选取2011年1月至2017年3月共74个月的PMI数据和CIER月度数据进行实证分析。其中，PMI的数据来源于国家统计局官网。本文构建的VAR模型中包含两个变量x和y。变量x代表剔除了季节与趋势成分的CIER月度指数，变量y则代表制造业采购经理人指数PMI。

模型构建以及基于模型的分析的具体步骤如下：第一，对两个变量进行的单位根检验表明两个变量都是平稳变量，表明两个变量可以建立VAR模型。第二，根据 SIC、AIC 和 LR 等准则，并结合所选取的样本容量，确定 VAR 的最优滞后阶数，构建VAR模型。第三，对所建的VAR模型进行稳定性检验。第四，如果所建VAR模型是稳定的，那么就可以基于这一模型进行脉冲响应函数检验，对两个变量的动态关系进行分析。

1.单位根检验

单位根检验是为了判断时间序列的平稳性。检验时间序列是否平稳通常用ADF检验。ADF检验需要进行一些假设检验来得到。ADF的原假设H0：该序列有一个单位根；备择假设H1：序列没有单位根，即该序列是平稳序列。具体来说，如果检验统计量的值小于对应显著性水平的临界值，则序列是平稳的，否则为非平稳序列。对变量x和变量y所做单位根检验的结果如表1所示。可见，x、y都是平稳序列，因此可以构造双变量VAR模型。

表1 变量x和变量y的单位根检验

注：检验类型(c，t，k)的c、t、k分别表示单位根检验中是否具有截距项、时间趋势项及滞后期数。

2.最优阶数和稳定性检验

首先，根据SIC、AIC和LR三准则，并结合所选取的样本容量，确定VAR的最优滞后阶数为2。其次，通过计算VAR模型差分方程的特征根来检验所建立的VAR模型是否具有稳定性，计算结果如表1所示。从表1中的计量结果可以得出，所建立的VAR模型全部特征根小于1，即全部特征根都落在单位圆的内部，所以所建立的VAR模型是稳定的(见图3)。

图3 VAR模型稳定性检验的特征根单位圆图

3.脉冲响应分析

通过脉冲响应函数能够计量给随机误差项的一个单位正冲击而对其他各个变量现在和后续取值的影响轨迹，也可以通过图像直观地描述变量相互间的动态效应与结果。通过检验，上述VAR模型是稳定的，可以做脉冲响应函数。

从图4的左上图可以看出，在本期给 CIER指数(剔除趋势和季节成分)一个单位的正冲击，当期就会有一个比较明显的正响应，第2期相应减弱，第3期又有所加强，随后就进入单调衰减过程，直至第12期之后，响应逐步消失。这表明，在本期给 CIER指数(剔除趋势和季节成分)一个单位的正冲击，短期内会对CIER指数(剔除趋势和季节成分)产生正向影响，虽然这种正向影响会持续一段时间，但并不造成长期影响。

图4的右上图表示当期给PMI一个正的冲击，CIER指数(剔除趋势和季节成分)的脉冲响应函数。可以看出，当期给PMI一个正的冲击，CIER指数(剔除趋势和季节成分)当期无明显响应，第2期有一个小的正响应，且随后两期正响应有所加强，第4期之后正响应开始衰减，进入单调下降过程，直至第12期，响应基本消失。这表明，在本期给PMI一个单位的正冲击，短期内会对CIER指数(剔除趋势和季节成分)产生正向影响，虽然这种正向影响会持续一段时间，但并不造成长期影响。

图4的左下图表示当期给CIER指数(剔除趋势和季节成分)一个正的冲击，PMI的脉冲响应函数。可以看出，短期内给CIER指数(剔除趋势和季节成分)一个正的冲击，会导致PMI的上升，且这一上升过程会持续到第9期，但上升幅度会逐步收窄，第9期之后，影响消失。这表明，给CIER指数(剔除趋势和季节成分)一个正的冲击，只会对PMI造成短期影响，不会造成长期影响。

从图4的右下图可以看出，在本期给制造业采购经理人指数PMI一个单位的正冲击，PMI当期有一个明显的正响应，随后正向响应单调衰减，直至第12期趋于零。这表明，在本期给PMI一个单位的正冲击，短期内会对CIER指数(剔除趋势和季节成分)产生正向影响，虽然这种正向影响会持续一段时间，但并不造成长期影响。

本文建立的 VAR 模型是稳定的，所以脉冲响应函数的结果是可信的，由此表明CIER指数与PMI之间存在紧密联系，可以反映现实的经济状况。

图4 脉冲响应函数图

三、供给侧结构性改革背景下就业形势判断

(一)我国总体就业形势判断

在本节中，我们将利用2011年1月至2017年1月的PMI数据和CIER月度数据，对我国当前的就业形势进行判断。2016年以来，在供给侧结构性改革的推动下，我国各项宏观经济指标逐渐趋稳，2016年GDP超74万亿元，增速达6.7%。与此同时，CIER指数呈现逐渐向好的态势，由2016年第1季度的1.71增长为第4季度的2.41，与宏观经济变动保持一致。进入2017年第1季度，受春节之后职场中“跳槽热”和高校毕业生“春季招聘期”等因素的影响，与上一季度相比，求职申请人数有明显回升，而招聘需求人数变动较小。反映在CIER指数上呈现季节性回落，下降至1.91，这一变化与上一季度的趋势预测相一致。此外，从CIER指数的同期变动来看，与2016年同期相比，本季度CIER指数相对较高，表明就业形势较上一年有明显好转(参见图5)。

(二)不同行业及职业就业形势分析

1.就业形势较好和较差的行业

表2中列出CIER指数最高和最低的行业排名。总体来看，在供给侧结构性改革的进程中，不同行业间的就业景气仍存在两极分化现象。排名结果显示，2017年第1季度就业景气最好的仍为互联网/电子商务行业，然而CIER指数却由上季度的10.89下降为本季度的9.21。具体来看，与上一季度相比，互联网/电子商务行业求职申请人数增加24%，而企业招聘需求人数仅增加5%，申请人数的变动幅度远大于需求变动，因此CIER指数有所下降。这也间接地反映出互联网行业员工在春节过后离职流动性较大这一事实。其他就业景气较好的行业为交通/运输、保险、中介服务和基金/证券/期货/投资业等，这些行业与上季度相比，排名变动较小。值得注意的是，从2016年第4季度开始，房地产/建筑/建材/工程的CIER指数排名进入前10名，就业景气程度较好。这是因为，2016年第2季度后，全国主要大中型城市房价上涨较快，国家为进行宏观调控，在北上广深一线城市，以及苏州、杭州、天津等二线城市相继出台限购政策。2017年春节过后，再次引来新一轮“购房热”，尤其是“环京周边”的楼市更是受到购房者的青睐，以北京为首的一二线城市再次出台更为严苛的“认房又认贷”限购政策来调控房价。这些政策的出台，无疑会给就业市场带来一定的“信号效应”，由此带动房地产等行业的就业需求，也促进了就业形势的趋好。

图5 2011年第1季度至2017年第1季度全部求职申请人数、全部招聘需求人数、CIER指数

表2 2017年第1季度就业形势较好和较差的职业排名

能源/矿产/采掘/冶炼、印刷/包装/造纸及石油/石化/化工等行业的CIER指数仍然偏低，这些多属于传统制造业等。在当前供给侧结构性改革的背景下，以制造业为代表的传统行业面临新的挑战。一方面，受到国外“逆全球化”等不稳定因素的冲击；另一方面，相关企业转型升级进程缓慢，使得这些行业对于人才的招聘需求大幅缩小，形成就业形势较差的紧张局面。与上一季度相比，这些行业的CIER指数均有所下降，这主要是受到季节性因素的影响。以能源/矿产/采掘行业为例，申请人数环比增加28%，而需求人数环比仅增加15%，申请人数增幅要高于需求人数的增幅，因此CIER指数呈现下降趋势。随着钢铁、煤炭行业“去产能”政策的推进，以及互联网平台与传统行业的结合，这些行业的就业形势将会逐渐好转。

2.就业形势较好和较差的职业

对于国有企业来讲，一定要把企业产权的边界划分清楚明了，这样一来会使得企业对利润的分配更加合理科学，提高企业的资本利用率。此外还要注重塑造银行和企业之间的关系，使得两者之间的信用契约关系稳固坚定，进而形成对企业产生一种牵制作用。

表3显示，2017年第1季度就业市场景气指数较高的职业有技工/操作工、交通运输服务、翻译、销售业务和证券/期货等。与上一季度相比，技工/操作工的CIER指数明显下降，从28.44下降为20.21。具体来看，技工/操作工职业的求职申请人数增加明显，环比上升49.0%，而招聘需求人数仅增加5%。这可能是受到春节过后农民工返城以及技术工人离职流动的影响，使得求职申请人数变动大于招聘需求，因此CIER指数下降。保健/美容/美发/健身职业的CIER指数排名有明显上升，从第10名跃居至第6名；并且，由于招聘需求增幅大于求职申请变动(招聘需求增加了31%，求职申请增加了24%)，使得CIER指数有所增加。此外，受春节过后房价上涨、楼市较热的影响，房地产行业就业景气趋好，也带动了房地产开发/经纪/中介等职业表现出较好的就业形势。

就业市场景气指数较低的职业为IT管理/项目协调、环境科学/环保、物业管理、项目管理/项目协调等，这些职业多为项目管理类相关专业，劳动力市场人才供给充足，但企业招聘需求数量需求有限。同时，受到传统制造业转型和重工业改革升级的影响，相关企业对这些管理人员的招聘需求量整体下降，因此就业形势相对较差。

表3 2017年第1季度就业形势较好和较差的职业排名

(三)不同区域及一二线城市就业形势分析

1.不同行政区域的职位供需状况

按照行政区域划分对55个样本城市*在55个样本城市中，东部地区城市为34个，占61.8%；中部地区城市为7个，占12.7%；西部地区城市为9个，占16.4%；东北地区城市为5个，占9.1%。进行分类，得到不同行政区域2017年第1季度CIER指数。图6显示，2017年第1季度的CIER指数呈现出东部、中部、西部及东北地区依次递减的趋势。其中，东部地区样本城市的CIER指数相对较高，为1.60；中部和西部地区CIER指数较为接近，分别为1.35和1.33。相对而言，东北地区就业形势仍然严峻，CIER指数为1.17。具体来看，在东北地区的样本城市中，大庆市的CIER指数最高，为2.61，企业招聘需求明显多于求职申请人数。这主要是由于大庆石油产业发达，并且大庆作为中国服务外包示范区，拥有技术服务优势，人才需求旺盛；哈尔滨和长春两市的CIER指数接近1，分别为0.95和0.98，招聘需求与求职申请基本持平；而沈阳和大连两个城市的CIER指数相对较低，分别为0.57和0.73，就业形势相对严峻。

图6 不同行政区域CIER指数

从表4显示的环比变动的情况来看，在需求人数方面，各地区的环比需求人数均有明显下降，并且东、中、西和东北地区的招聘需求呈现依次递增的趋势，尤其是西部和东北地区的需求量下降幅度超过了10%。在申请人数方面，各行政区域的申请人数均有明显上升，尤其是中部地区，环比增加32.9%，表明中部地区劳动力供给较为充足；东部和西部地区环比增加约26%，东部地区环比仅增加了12.9%。在CIER指数方面，各地区均呈现环比下降趋势，其中，中部地区降幅最大，为0.59；西部地区降幅最小，为0.23。在需求人数方面，中部和西部地区同比分别增加71.8%和70.1%，表明中西部地区的就业回暖现象明显，而东北地区同比增幅最少，为49%。在申请人数方面，东部地区对人才吸引的区域优势明显，同比增加最多，为2.9%，而中部、西部和东北地区同比均为负增长。在CIER指数方面，与2016年的同期数据相比，不同行政区域的CIER指数均有明显提升，尤其是东部地区，同比增幅达0.78。

表4 不同行政区域环比变化情况

注：需求人数环比变动=100%×(本季度需求人数-上一季度需求人数)/上一季度需求人数；申请人数环比变动=100%×(本季度申请人数-上一季度申请人数)/上一季度申请人数；CIER指数环比增幅=本季度CIER指数-上一季度CIER指数。

按照城市划分对55个样本城市*按照《第一财经周刊》公布的城市等级划分标准，在55个样本城市中，一线城市为4个，占7.3%；新一线城市为17个，占12.7%；二线城市为24个，占43.6%；三线城市为10个，占18.2%。进行分类，得到不同等级城市2017年第1季度CIER指数。图7显示，2017年第1季度的CIER指数呈现一线、新一线、二线及三线城市依次递增的趋势。其中，一线样本城市的CIER指数平均值为0.68，表明目前在一线城市中，企业招聘需求人数要少于求职申请人数；新一线样本城市CIER指数为1，表明企业招聘需求人数与求职申请人数基本持平；在二线和三线样本城市中，CIER指数平均值要高于1，平均约有2个左右的岗位对应1个求职者，表明在这些城市中，企业招聘需求人数要多于求职申请人数，就业形势相对较好。

图7 不同等级城市CIER指数

表5显示，从环比变动来看，在需求人数方面，除三线城市的CIER指数环比上升之外，其他城市的招聘需求均有所下降。其中，新一线城市的环比下降最多，为-11.3%。在申请人数方面，各等级城市的环比增幅均超过24%。从CIER指数的环比变化来看，各个等级城市的CIER指数环比均有所下降。其中，新一线和二线城市降幅较大，分别为0.47和0.54，表明受到季节性因素影响最多；一线和三线城市环比降幅相对较小，分别为0.25和0.32。从同比变动来看，在需求人数方面，一线、新一线、二线和三线城市需求量呈递增趋势。在申请人数方面，除一线城市同比增加8.3%之外，其余等级城市的申请人数均有所下降。在CIER指数方面，不同城市的CIER指数同比均有所增加，并且二、三线城市的增幅较大，表明在新经济红利和宏观经济回暖等因素的驱动下，这些城市的就业形势有了明显好转。

表5 不同等级城市环比变化情况

(四)不同规模企业的职位供需状况

图8和表6分别列出了不同规模企业2017年第1季度的CIER指数和环比变化情况。图8显示，2017年第1季度，中小型企业的CIER指数略低于1，表明中小型企业招聘需求与求职申请供需较为匹配，就业形势相对稳定。而大型企业和微型企业的CIER指数明显高于1，表明在大型和微型企业中，招聘需求人数多于申请人数。与上一季度相比，大型、中型和小型企业的CIER指数均有所下降，而微型企业的CIER指数变动较小。微型企业CIER指数为2.09，表明目前企业的招聘需求仍要高于求职申请人数。

图8 不同规模企业CIER指数

表6 不同规模企业CIER指数环比变动情况

在表6中，从环比变动情况来看，在需求人数方面，中型企业有所下降，小型企业基本持平，而大型和微型企业均有明显上升，增幅分别为10.4%和27.8%。在申请人数方面，不同规模企业的环比均明显上升，增幅达20%以上，尤其是微型企业，环比增加了28.9%。在CIER指数方面，除微型企业变动较小之外，其他规模企业的CIER指数均受到季节性因素影响，表现出一定程度的下降。从同比变动情况来看，在需求人数方面，大型企业同比增幅最多，为119.3%，小型和中型企业分别增加了85.7%和60.6%，而微型企业需求量同比持平。在申请人数方面，除微型企业同比上升之外，小型、中型和大型企业的同比均下降。在CIER指数方面，除了微型企业略微下降之外，其他规模企业的CIER指数同比均有一定程度上升。这可能是由于微型企业处于“创业阶段”，多数企业市场竞争力较弱，生存周期较短，因此就业需求较之前出现一定下降；小型、中型企业同比增幅较接近，分别为0.39和0.35；而大型企业增幅最多，为0.90，表明随着国企改革的深入推广，大型企业的就业形势明显转好。

四、结语

综上所述，中国人民大学中国就业研究所与中国领先职业发展平台智联招聘联合推出CIER指数(中国就业市场景气指数)，不仅能够反映就业市场的整体走势，还可以反映就业市场的分区域、分行业、分职业及分企业规模等结构性变化。同时，还可以通过对这一指标的分解分析，得到就业市场景气程度的长期趋势、季节特征及周期性变化情况，从而更细致地把握就业市场长期、短期及中期的景气程度变化。本文利用VAR模型初步证明了CIER指数具有较好的宏观经济分析特性，与宏观经济景气程度指标有着显著的动态互动关系。这说明，CIER指数不仅能够比较灵敏地反映中国就业市场的长期、中期以及短期的动态变化特征，而且对宏观经济景气程度也具有较好的敏感性，因此，可以作为监测宏观经济景气程度的辅助指标。

当然，网络招聘数据也有其局限性。首先是代表性问题。网络招聘求职市场的供求状况是否可代表整体劳动力市场的供求状况？这一点尚未获得充分研究和证实。其次是商业风险问题。指数的基础数据可能受到网络招聘公司经营状况变化和业务推广情况的影响，导致CIER指数的非市场性变化，如果不能分辨出这种变化，可能会造成对就业市场变动的误判。自CIER指数推出以来，这一指标就表现出了对中国就业市场的高度敏感性，对就业市场的结构性变化的捕捉与宏观经济结构的变化高度吻合，同时，基于这一指标对就业市场趋势的预测准确度也保持了比较高的水平。但是，这两个问题是基于互联网所构建指标都会遇到的问题，目前还没有一个比较系统且成熟的处理方法，因此，未来在这方面需要进行更深入的创新性研究。

[1] 曾湘泉：《深化对就业质量问题的理论探讨和政策研究》，载《第一资源》，2013(2)。

[2] 曾湘泉：《中国就业战略报告·2015——金融危机以来的中国就业季度分析》，北京，中国人民大学出版社，2015。

[3] Ginsberg, J., Mohebbi, M.H., and R.S.Patel, et al.“Detecting Influenza Epidemics Using Search Engine Query Data”.Nature, 2009, 457(7232):1012; Vosen, S., and T.Schmidt.“Forecasting Private Consumption: Survey-based Indicators vs.Google Trends”.JournalofForecasting, 2011, 30(6):565-578; Edelman, B.“Using Internet Data for Economic Research”.JournalofEconomicPerspectives, 2012, 26(2):189-206.

[4] Askitas, N., and K.F.Zimmermann.“Google Econometrics and Unemployment Forecasting”.Discussion Papers of Diw Berlin, 2009, 55:107-120; Kuhn, P., and K.Shen.“Gender Discrimination in Job Ads: Evidence from China”.QuarterlyJournalofEconomics, 2013, 128(1):287-336; Capiluppi, A., and A.Baravalle.“Matching Demand and Offer in On-line Provision: A Longitudinal Study of Monster.com”.IEEE International Symposium on Web Systems Evolution.IEEE, 2014:13-21.

[5] Su Zhi.“Chinese Online Unemployment-Related Searches and Macroeconomic Indicators”.FrontiersofEconomicsinChina, 2014, 9(4):573-605.

[6] 韩荆：《基于Census X12与HP滤波下的现金投放分析，载《工业技术经济》，2009(10)。

[7] Sims，C.“Macroeconomics and Reality”.Econometrica.1980, 48(1); Hodrick.R.J., and E.C.Prescott.“Postwar U．S．Business Cycles：An Empirical Investigation”.JournalofMoney,CreditandBanking，1997,29(1).

[8] Sims，C.“Macroeconomics and Reality”.Econometrica.1980, 48(1).

ConstructionofChinaEmploymentMarketProsperityIndex(CIER)andEmploymentSituationAnalysisBasedonCIER——ResearchBasedonLargeDataonNetworkRecruitment

GENG Lin,MAO Yu-fei

(School of Labor and Human Resources,Renmin University of China, Beijing 100872)

The China Institute for Employment Research of Renmin University of China and Zhaopin ltd., a leading professional development platform in the country, jointly launched CIER ( China employment market prosperity index ), which reflected the overall trend of the employment market. The index, constructed on the basis of the big data on recruitment of Zhaopin Ltd. ( zhaopin. com ), can reflect the change of the ratio of job vacancies to job seekers in the job market through analyzing the dynamics of labor supply and labor employment of different industries, different urban and different positions, and can monitor the prosperity of China’s employment market and the confidence in the employment market. The authors selected CIER data from the first quarter of 2011 to the first quarter of 2017, using seasonal decomposition method, HP filtering method, VAR model to analyze the relationship between CIER and the macro economic prosperity index (PMI). The results show that CIER has close relationship with PMI. The authors predicted the trend of the CIER index for the next three quarters in 2017 using seasonal decomposition method，and analyzed the overall employment situation of China under the background of supply-side reform, and the employment structure of different industries, cities and regions, and put forward relevant policy suggestions.

China employment market prosperity index(CIER); purchasing manager index of manufacturing industry(PMI);vector autoregressive model (VAR); seasonal decomposition method; H-P filtering method

耿林：中国人民大学劳动人事学院助理教授，中国就业研究所副研究员；毛宇飞：中国人民大学劳动人事学院博士研究生(北京 100872)

(责任编辑武京闽)